機器之心對話谷歌高級研究科學家Greg S Corrado：人工智慧並不會讓大公司形成壟斷

機器之心

作者：老紅

10 月 14 日，來自谷歌的高級研究科學家 Greg S Corrado 在北京和部分中國媒體進行了短暫的交流，機器之心也受邀對 Greg 進行了採訪。

早在今年 5 月的時候，機器之心就曾作為唯一一家國內媒體出席了於瑞士洛桑舉行的神經科學峰會 Brain Forum。我們也在現場的報道中詳述了 Greg 關於深度學習和深度神經網路的演講。

在實際的研究領域，Greg 的研究方向包括了生物神經科學、人工智慧和可擴展的機器學習，並在行為經濟學、系統神經科學和深度學習等領域發表了諸多的論文。在此前很長一段時間，Greg 在谷歌都從事著大腦計算領域的研究；近期，他也成為了谷歌大規模深度神經網路項目的聯合技術主管。

關於人工智慧、機器學習以及無監督學習的現在和未來，Greg 和我們分享了許多有趣的觀點。

以下為採訪摘錄：

Question：你曾在瑞士的 Brain Forum 上提到過，機器學習並不是什麼黑魔法，而是一種工具。你覺得現在機器學習發展的最大瓶頸是什麼？

Greg：這項技術其實在不斷變化，機器學習需要數據樣本、資源和工具，還有計算機運算能力等多方面的支持。回顧機器學習發展的歷史會發現，由於計算機運算速度緩慢、成本過高等技術原因滯後，影響了程序運行的效率，無法滿足需求，於是機器學習的發展進程也比較緩慢，也沒有實際的產品和服務被推出來。

直到最近幾年計算機運算能力有了大幅提升，速度提升、成本下降並且應用越來越廣，這改變了整個局面。所以如今機器學習的瓶頸變成了與人相關的因素，在於人的創造力與創新能力，在於在擅長並懂得如何運用這項技術的人才。

所以我們的重心也發生了變化，在其餘所有因素和條件，諸如充足的數據、免費的工具、資源、足夠強大的計算機運算能力等等都滿足的情況下，我們需要教會和培養更多的人如何運用機器學習這個技術來將實現他們創新的構思。

Question：你覺得有哪些可以與深度學習相競爭的機器學習方法？另外，在你眼中，分布式計算對於機器學習來說具體有些什麼益處？

Greg：目前，Deep Learning 是關於機器學習非常熱門的一項技術。市面上很多新產品和服務也都在使用 Deep Learning，但是這只是一項現有的、能滿足當下需求的技術。但我認為更重要的是更多的研究人員和科學家能在更廣的維度和視野下繼續深入研究，這樣才能發現與時俱進，發現更新的技術來滿足這一領域下一階段的更多需求。

關於分布式計算的問題。因為機器學習本身是一個特別緩慢的過程，所以需要調用和運行大量的計算資源。分布式計算的重要性在於能夠為我們實現足夠快運行速度，來滿足我們在創新實驗方面的需求，測試我們的新點子，用結果告訴我們哪些想法可行，哪些不行。所以分步計算在我看來就是一個促進機器學習的助力，讓運算能力更快成本更低。

Question：去年你們的團隊推出了 Smart Reply 功能，請問目前這項功能運轉得怎樣？在哪些情況下郵件可以代替人工進行自行處理？

Greg：目前我們在智能回復方面發表了很多學術論文和研究報告。它的運作方式是根據收取的郵件，提取相關信息識別其中的邏輯、語境，來組織語言進行回復。

目前能夠實現的功能僅限於一些不那麼正式的簡短的即時回復，比如「到時候見！」「抱歉我可能辦不到」，或者「我會儘快回復你」和「稍後聯繫」這樣的簡單地短句，這是目前機器可以比較有效地處理的範圍，暫時還不能處理一些較為複雜和帶有意圖性的答覆。

Question：我們知道目前人工智慧和機器學習還僅限於處理一些較為局限、具體的專門領域，你認為什麼時候會出現更為強大的通用型人工智慧？

Greg：這是一個有趣的問題，我認為未來的發展趨勢，還是專業的領域用專用的技術和模型解決特定的問題和任務，這樣的應用對於一個系統和技術更為高效且更有實際意義。

關於出現那種通用的技術我不是特別有信心，即便是有這樣的技術，我認為也不會比專用針對性地解決特定問題的解決方案更快更有效，而只會更慢效率更低。

Question：你如何評價量子計算？

Greg：這是一個目前還停留在研究階段的技術，並沒有應用的實際，如果有也可能也是非常遙遠的未來才會實現。我認目前它還只是一個驚艷的物理學科研課題，即便是應用到工程設備上都還需要很長時間。如果有人能在有生之年研發並製造出量子計算機，這將大大提高計算效率，但是我現在只能說，祝在這一領域的研究者們好運。

Question： 能否談論下你對 Google 開源 TensorFlow 的理解？在未來人工智慧和機器學習的發展上，Google 有哪些計劃？

Greg：對於人工智慧，我想強調的是它不是一個具體的可以包裝銷售的產品。它實際上是一個工具，軟體工程師以及其他有創造力的人們可以使用這個工具來製造和開發新的產品和服務。而 TensorFlow 把這些 Google 正在使用的基本的工具開放給公眾使用。

未來這個領域相關的產品，Google 打算把自己開發的平台也通過雲服務共享給公眾使用，通過這種雲機器學習，其他開發者可以開發和實現自己的機器學習構想，就像我們在 Google 中研發一樣。他們可以通過 TensorFlow 使用我們提供的免費軟體和工具，也可以用雲服務運行他們自己構建的機器學習系統。

我們也會通過 API 向開發者提供一些預置好的機器學習的子系統，這樣開發者只需要再添加幾行簡單的代碼就可以實現比如翻譯、圖片識別等技術。這樣開發者並不需要成為機器學習的專家，就能開發自己的機器學習應用的產品。

Question：Google 是否有一些準則來確保人工智慧技術會朝著你提到的這個方向發展？

Greg：這就是為什麼 Google 會主導去建立了一個名為 Partnership on AI to Benefit People & Society 的組織的原因，Partnership on AI 是一個獨立的非盈利組織，還有很多公司都參與其中促成一個關於人工智慧技術如何與人類、社會、經濟等互動的話題開放式的討論平台，促進人們對人工智慧技術的理解，討論甚至是公開辯論。更多地把關於這些話題面臨的挑戰放到桌面上來公開討論，要好過於由各家公司私底下研究。

Question：如今很多公司在推出自己的產品和服務的時候都會標榜人工智慧，但是市場營銷中提到的人工智慧和深度學習是否真實可信還需要甄別和考量，如何辨別人工智慧真偽?

Greg：這麼看來目前市面上確實存在一些公司把人工智慧和機器學慣用於品牌營銷的策略，但是最終消費者應該在意和關注的並不在於技術是如何研發的，而在於這些技術是否真正在發揮作用。如果通過使用某些產品你確實感覺到它的智能，覺得它有用，何必在意技術是如何實現的。所以我的建議就是消費者還是要從產品自身的功能這些切實能考量的標準來識別，而不要輕易被市場營銷左右，因為它根本不重要。

Question：目前存在一些對於大公司關於隱私和壟斷方面的質疑和顧慮；同時，很多小規模的公司也認為自己在競爭中處於弱勢地位，無法和大公司競爭，因為大公司擁有太多用戶信息。你怎麼看這個問題?

Greg：首先談一下用戶隱私的問題，隱私對於消費者乃至每個人都很重要，所以對於公司來說，很重要的一點就是必須非常清晰明確地和用戶溝通公司的隱私政策和標準是怎樣的，用戶則可以根據這些信息來決定是否認可並繼續使用這些產品和服務。

我剛才講到的 Partnership on AI，這個組織一個重要的功能，就是幫助制定一些原則和標準，來規範各個公司的具體操作。但最終決定權還是交回用戶和消費者自己的手中。同時一家公司如果想要用戶持續地使用自家的平台，他們就必須想辦法贏得並維護用戶的信任。

接下來講一下小公司如何成長壯大的過程，一家從事某些小研究專註小範圍的產品的公司逐漸壯大起來是一件很尋常的事情，就像當年 IBM 並沒有想方設法阻止微軟的成長，微軟也沒有阻止 Google 的成長，Google 也沒有阻止 Facebook 做大做強，這種情況會永遠持續地發生下去。從好地方面看，目前我們的行業總是能以某種方式保持更迭並不斷前行。

另外，數據量是否足夠這個問題的重要性目前其實正在削弱，數據是否足夠取決於你想要達到的目標。比如物體識別功能對於當年的還在上學的我來說就是科幻小說，但當今任何一個計算機科學專業的研究生都能做到，收集到相關數據來運行某個程序也是很容易的事。同理，現在任何一個科學技術類的競賽，所有參賽者能獲取的數據都是一樣的。

同樣的數據量在 1997 年或許不夠，但在 2010 年之後，數據量的差異已經不能起到多重要的作用了，更多的數據也不見得能有多大的益處。語音識別也是同樣的道理，不需要特別多的數據就能實現某個新的嘗試。及時是眾所周知奇蹟般的成就 AlphaGo，它其實也是使用的公開的圍棋比賽資料和數據實現的機器學習。所以機器學習的秘訣並不在於錄入了秘密的數據，而在於人的創意和計算資源本身的創造性。

Question:與多階學習相比，使用基於多圖表徵的異構數據的聯合學習的好處是什麼？

Greg：目前這一領域的研究還尚有缺口，我們希望看到更多關於機器多任務學習的研究出現，還有比如 multi-renpresentation learning（多表徵學習），trasfer learning（遷移學習）其實也是機器學習研究人員研究了很長一段時間的課題。但直到最近，我們才看到一些實際的應用成果出現，這些研究領域確實讓人感到很興奮。每年我能看到一些新的觀點湧現出來，今年我也特別關注和期待這一領域的新進展（比如 ICML、ICLR 這些學術年會）。

Question： 你認為 Google 在人工智慧領域最大的競爭對手是誰？

Greg：對於這個行業的所有公司來說，好消息每個公司都人才濟濟，同時全球很多大學以及公司都有自己的人工智慧實驗室在不斷嘗試創新和研發，所以整個行業都從中受益。如果這個行業只有一家公司獨大，那麼這個領域的發展將會更慢更低效。因此人工智慧行業競爭越大越開放是一件好事，並且我們希望這個大環境能繼續這麼開放且持續地充滿競爭。

Question：你分別對監督學習、無監督學習和半監督學習各有什麼看法？

Greg：人工監督下的機器學習已經很好的投入實際應用，無人工監督的機器學期據我所知還沒有投入實際應用需要更多的科研努力，半人工剛好介於兩者之間。

Question： 你覺得目前的深度學習有哪些急需突破的點？

Greg：這個機器學習不應當是一種我們所說的黑魔法。最重要的是需要讓人們更容易地探索，不同的配置調配（tuning）和變數（因需而異作出差異化的模型調整），他們不需要去猜想這是什麼黑魔法以及背後的工作原理，這將會是接下來 Deeplearning 的發展方向，無論是理論研究還是工程應用升級方面，更好地探索學術理論研究中的猜想指標構思和建模。

Question：你覺得目前 multi-graph presentation（多圖表達）面臨的最大挑戰是什麼？Google 又是如何解決的？

Greg：關於多圖表達，我們現有的技術手段還停留在創新研發階段，還有很多空白領域有待研究。可以說是剛剛起步吧，所以我們也很鼓勵更多的研究人員能在這個領域積極探索。

本文由機器之心原創，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

TAG:機器之心 |

※Facebook 開源新一代機器學習 GPU 伺服器 Big Basin；谷歌召開 Google Cloud Next 雲技術大會等
※Science專訪谷歌Magenta負責人：AI創作焦點是機器學習演算法
※揭秘 Sand Hill Program：谷歌的技術私教和超級創業加速器
※谷歌正開發高端智能音箱Google Home Max 挑戰蘋果HomePod
※Google 谷歌 Pixel XL智能手機 圖集 [Soomal]
※谷歌Duo將要成為Android系統的FaceTime
※機器人也能「跑酷」，谷歌子公司DeepMind研發最新人工智慧系統
※谷歌工程師的 TensorFlow 成長之路
※谷歌開發Teachable Machine，你也能教機器學習
※谷歌投資「演算法商店」 Algorithmia ，要打造AI版的Play Store？
※應美盛高性能IMU將全面支持谷歌Daydream和Tango
※小組討論谷歌機器翻譯Attention is All You Need
※Google 谷歌 Pixel XL智能手機音質測評報告 [Soomal]
※谷歌更新Chrome瀏覽器 支持Touch Bar
※BIG事務所＋Heatherwick工作室＝谷歌新總部Mountain View
※蘋果CarPlay和谷歌Android Auto的對比測試
※谷歌已解決Google Home Mini觸摸故障
※谷歌Transfer Appliance可以幫助企業用戶向Google Cloud傳輸數據
※谷歌正為Chrome OS開發Android模擬器